《Translational Oncology》：A multivariate plasma biomarker model for glioblastoma exclusion: a retrospective case-control study
编辑推荐：
胶质母细胞瘤（glioblastoma, GBM）仍难以通过当前主要依赖磁共振成像（MRI）和有创活检的临床工具进行诊断和监测，这些工具往往无法实时捕捉肿瘤异质性。本研究证明，在回顾性病例对照环境中，结合循环星形胶质细胞、神经元和炎症蛋白的一组标志物，可通过微
胶质母细胞瘤（glioblastoma, GBM）仍难以通过当前主要依赖磁共振成像（MRI）和有创活检的临床工具进行诊断和监测，这些工具往往无法实时捕捉肿瘤异质性。本研究证明，在回顾性病例对照环境中，结合循环星形胶质细胞、神经元和炎症蛋白的一组标志物，可通过微创血浆样本可靠地区分胶质母细胞瘤患者与健康个体。研究人员将六种生物标志物整合到一个多变量模型中，观察到极佳的区别能力和非常高的阴性预测值，支持将该方法作为未来排除工具的可行性概念验证，但需在有症状的非GBM人群中进行验证。这些发现扩展了以往聚焦于单一生物标志物的文献，表明多模态整合可显著提高诊断性能。该工作凸显了基于血液检测的转化潜力，以支持临床分诊、减少诊断不确定性，并在早期诊断路径中补充影像学检查。
解读文章：
一、研究背景与问题
胶质母细胞瘤（glioblastoma, GBM）是中枢神经系统最常见的原发恶性肿瘤，约占所有恶性脑肿瘤的50%，全球发病率约为每年每10万人4例，在比利时可达每年每10万人近7例。目前标准治疗方案为最大安全切除后辅以放化疗（Stupp方案），但患者中位总生存期仅为15个月。当前GBM的诊断和监测主要依赖组织活检和磁共振成像（MRI），这些静态工具难以实时捕捉肿瘤的分子演变，且MRI常受假性进展干扰，导致影像判读不确定。手术活检具有侵入性，对位于功能区或深部脑区的肿瘤常不可行，且存在出血和神经功能缺损等手术相关并发症风险。因此，临床亟需微创、动态、可及的血浆生物标志物用于GBM的准确诊断与监测。液体活检技术如循环肿瘤DNA（ctDNA）分析因血脑屏障限制，血浆中ctDNA水平极低（<20%），常规检测灵敏度不足；脑脊液（CSF）虽可提供更可靠的ctDNA信息，但采集具有侵入性。基于此，本研究旨在探索血浆中神经损伤和炎症相关蛋白标志物用于GBM排除的可行性。
二、研究目的与设计
研究人员假设一组神经蛋白可在血浆中被检测，并能够区分GBM患者与健康个体。研究共纳入174例外周血样本，来自四个独立生物样本库：72例GBM患者样本（61例来自比利时CHU-UCL Namur生物库，11例来自德国Biomedica），102例健康对照样本（82例来自比利时Clinique Saint-Luc Bouge临床生物学实验室，20例来自比利时NAB-X生物库）。所有样本均在K2-EDTA抗凝管中采集，按照标准化血浆处理流程进行双重离心和分装保存，采用相同的分析平台和方案检测。该研究遵循《赫尔辛基宣言》伦理原则，并获得中心伦理批准（批准号229/2023）。
三、主要技术方法
研究人员采用三种定量检测技术对七种候选生物标志物进行血浆浓度测定：单分子阵列（Simoa）技术，使用Neurology 4-plex A试剂盒在HD-X分析仪上定量胶质纤维酸性蛋白（GFAP）、泛素羧基末端水解酶L1（UCH-L1）、神经丝轻链（NfL）和Tau蛋白；电化学发光免疫分析法，使用Elecsys? NSE试剂盒在cobas e分析仪上测定神经元特异性烯醇化酶（NSE）；酶联免疫吸附试验（ELISA），分别使用BMS2038INST和BMS269试剂盒定量髓过氧化物酶（MPO）和中性粒细胞弹性蛋白酶（PMN elastase）。统计分析使用R软件（版本4.3.1）和GraphPad Prism 10.3.0，采用Mann-Whitney U检验比较组间差异，构建多变量逻辑回归模型，并通过10折交叉验证、1000次自举重采样和置换检验（Y-scrambling）进行内部验证。研究遵循TRIPOD和STARD 2015报告指南。
四、研究结果
（一）人群特征
GBM患者中位年龄63.5岁（范围26-89岁），男女比1:0.53；对照组中位年龄54.5岁（范围18-85岁），男女比1:1.27。年龄和性别对除NfL外的生物标志物无显著影响，NfL与年龄呈中度相关。肿瘤主要位于颞叶（n=18）、顶叶（n=13）和额叶（n=11）。
（二）单个生物标志物对胶质母细胞瘤的检测性能
七种生物标志物在GBM患者血浆中的浓度均显著高于对照组。GFAP差异最大，中位值7667.0 pg/mL（IQR: 1321.0-15937.0）对比81.5 pg/mL（IQR: 53.1-132.8）（p<0.0001）。UCH-L1和NfL也显著升高（p<0.0001），Tau中度升高（p<0.0001），NSE、MPO和PMN弹性蛋白酶均有显著差异（p<0.05至p<0.0001）。ROC分析显示GFAP具有最高诊断准确度（AUC=0.995 [95% CI: 0.987-1.000]），其次为NfL（AUC=0.957 [95% CI: 0.930-0.984]）和UCH-L1（AUC=0.925 [95% CI: 0.888-0.963]）。Tau（AUC=0.757）、NSE（AUC=0.686）、MPO（AUC=0.694）和PMN弹性蛋白酶（AUC=0.615）性能较弱。以最大灵敏度（目标灵敏度=1）确定排除阈值时，GFAP和NfL分别以119.85 pg/mL和11.55 pg/mL实现100%灵敏度，特异度为72.5%和71.6%。
（三）多变量建模与验证
由于UCH-L1与NfL和Tau存在高度共线性（r=0.71和0.70），研究人员将其排除，最终构建包含GFAP、NfL、Tau、NSE、MPO和PMN弹性蛋白酶六种生物标志物的逻辑回归模型。该模型在区分GBM与对照组时达到AUC=0.999 [95% CI: 0.995-1.000]。在Youden指数最优阈值下，灵敏度98.6%，特异度100%。在假设GBM患病率为0.004%的理论人群中，模型维持了极高阴性预测值（NPV）=0.999 [95% CI: 0.999-1.000]，但阳性预测值（PPV）仅为0.002 [95% CI: 0.000-0.003]。
内部验证方面，10折交叉验证产生平均AUC=0.984 [95% CI: 0.924-1.000]，平均灵敏度0.970，平均特异度0.971，平均NPV=0.999，平均PPV=0.800。1000次自举重采样得到平均AUC=0.971 [95% CI: 0.894-1.000]，灵敏度0.959，特异度0.944，平均NPV=0.999，平均PPV=0.306。置换检验（1000次标签随机化）显示平均AUC=0.580，无任何置换模型达到原始模型性能（经验p<0.001），证明模型性能非随机标签所致。
模型校准良好：自举校正校准平均绝对误差0.015，校准截距?0.00，斜率1.00，Brier评分0.009，最大校准误差（Emax）0.032，Hosmer-Lemeshow检验χ2=0.019（p=0.892），均提示预测概率与观察概率高度一致。
与仅含GFAP和NfL的简化模型相比，完整六标志物模型在似然比检验中显著改善拟合（ΔDeviance=10.11，df=4，p=0.039），且AIC更低（27.68 vs 29.79），支持纳入Tau、NSE、MPO和PMN弹性蛋白酶。
为将模型转化为临床可解释框架，研究人员计算了预测GBM概率<1%（p<0.01）时各生物标志物的排除阈值：GFAP 221.4 pg/mL（β=0.03），NfL 380.8 pg/mL（β=0.01），Tau 10.5 pg/mL（β=0.42），NSE 15.8 ng/mL（β=0.29），MPO 65.8 ng/mL（β=0.08），PMN弹性蛋白酶60.5 ng/mL（β=?0.04）。应用该阈值时，所有72例GBM样本均保留在“未排除”类别，102例对照中有79例被正确归类为“排除”（特异度77.5%），无GBM样本被错误排除。
年龄调整敏感性分析显示，校正年龄后log转化NfL仍与GBM显著相关（β=6.36，p<0.001），表明NfL升高反映肿瘤相关神经轴突损伤而非仅年龄差异。
研究团队还开发了一个基于Shiny的网页交互工具，可输入各生物标志物浓度计算模型预测的GBM概率，显示排除状态及各标志物对逻辑得分的相对贡献，以促进临床转化和实时解读。
五、讨论总结
本研究证实多种循环神经和炎症蛋白（尤其GFAP和NfL）在新诊断GBM患者中显著升高，多变量整合可实现对GBM与健康对照的极佳区分。GFAP升高的机制可能涉及肿瘤细胞表达和反应性星形胶质细胞反应，而非简单的肿瘤大小依赖性。NfL在年龄调整后仍是独立预测因子，支持其作为标志物组合成分的稳健性。多标志物整合显著改善了模型拟合，尽管增量有限需谨慎解读。作为排除工具，模型在假设患病率从0.004%至30%的范围内均保持高NPV（0.999至0.986），而PPV随患病率升高而增加，符合排除工具预期定位。但内部分析不能替代外部独立验证，对照组仅包含健康个体，其预测值不能直接外推到有症状的疑似颅内疾病患者。未来需在有症状非GBM人群和不同疾病阶段进行前瞻性验证，并评估分析前因素和外部校准。
六、研究结论
本概念验证研究提供了一个整合六种生物标志物的血浆多变量模型，在人群水平患病率假设下能够以高灵敏度和高阴性预测值区分GBM患者与健康对照。这些发现支持该策略作为高灵敏度排除工具的基础，但需在临床代表性人群中进行验证。若未来研究证实，该多变量方法可发展为微创血液检测，协助临床医生对症状患者进行分诊、优化影像检查路径并减少诊断不确定性。向临床实践转化需要在有症状非GBM人群和不同疾病阶段进行验证，严格评估分析前因素和外部校准，并需研究该血浆标志物组合在纵向监测中区分真性进展与假性进展的潜力。经过在临床代表性队列中的前瞻性外部验证，这一概念验证方法可能为神经肿瘤学领域更可及、更动态的诊断策略的发展做出贡献。
